STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar

Transkript

1 sida 1 # 1 STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar Sven Erick Alm och Tom Britton Typsatt med liber1ab

2 sida 2 # 2

3 sida i # 3 Innehåll 2 Sannolikhetsteorins grunder Utfallsrum och mängdlära Sannolikheter på utfallsrum Tolkning och exempel på sannolikheter Träddiagram Kombinatorik Betingning och oberoende Lagen om total sannolikhet Bayes sats Sannolikhetsmått Blandade problem Slumpvariabler Definition av slumpvariabel Diskreta slumpvariabler Fördelningsfunktioner Kontinuerliga slumpvariabler Lägesmått och spridningsmått Lägesmått Spridningsmått Olikheter Blandade och singulära fördelningar Blandning av diskret och kontinuerlig fördelning * Singulära fördelningar Några vanliga diskreta fördelningar Enpunktsfördelning Tvåpunktsfördelning

4 sida ii # 4 II INNEHÅLL Bernoullifördelning Diskret likformig fördelning Binomialfördelning Hypergeometrisk fördelning Poissonfördelning Geometrisk fördelning och besläktade fördelningar Några vanliga kontinuerliga fördelningar Kontinuerlig likformig fördelning Exponentialfördelning Normalfördelning *Fler kontinuerliga fördelningar Flerdimensionella slumpvariabler Definition av flerdimensionella slumpvariabler Kovarians och korrelation Oberoende slumpvariabler Betingade fördelningar Några vanliga flerdimensionella fördelningar Multinomialfördelning Tvådimensionell normalfördelning Funktioner av slumpvariabler Funktioner av en slumpvariabel Funktioner av flera slumpvariabler Väntevärden och högre moment Felfortplantningsformlerna Stora talens lag Centrala gränsvärdessatsen Approximationer av fördelningar Halvkorrektion Approximationer för några vanliga fördelningar Blandade problem Ledningar till vissa av övningarna 175 Svar till övningarna 177

5 sida 1 # 5 KAPITEL 2 Sannolikhetsteorins grunder I detta kapitel kommer vi att gå igenom grunderna för sannolikhetsteorin. Inledningsvis kommer merparten exempel vi använder vara enkla, klassiska slumpexperiment så som slantsingling, tärningskast och kortdragning. Vi använder dessa eftersom de är renodlade och kräver liten eller ingen ytterligare förklaring. I senare avsnitt i boken kommer våra exempel att bli mer varierade och intressanta. 2.1 Utfallsrum och mängdlära Vi skall nu definiera vad som menas med utfall, händelser och utfallsrum, samt gå igenom några viktiga begrepp från mängdläran. Dessa kunskaper kommer vi att använda oss av i nästa avsnitt då vi presenterar slumpexperiment och beräknar sannolikheter för utfall av slumpexperiment. I grunden ligger hela tiden ett slumpexperiment eller slumpförsök. Med detta menas en situation där något kommer att inträffa, men vi inte med säkerhet i förhand kan säga vad. DEFINITION 2.1 (UTFALL, HÄNDELSER OCH UTFALLSRUM) Resultatet av ett slumpförsök kallas ett utfall. Mängden av möjliga utfall från ett visst slumpförsök kallas utfallsrum. En viss specificerad mängd utfall kallas för en händelse således är enskilda utfall, liksom hela utfallsrummet också händelser. Enskilda utfall betecknas med u 1, u 2,..., händelser betecknas med versaler A, B,... och utfallsrummet med Ω. Utfallsrum med ändligt eller uppräkneligt oändligt många utfall kallas diskreta utfallsrum medan övriga kallas kontinuerliga utfallsrum.

6 sida 2 # 6 2 KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER Det är värt att påpeka att utfall och händelser inte är tal utan element respektive mängder av element. Man kan således inte addera eller subtrahera händelser med varandra men man kan däremot betrakta unioner och snitt av händelser, och dessa unioner och snitt är i sin tur också händelser. Unioner betecknas med och snitt med. Händelsen A B, som läses A union B, utgörs av alla utfall som ingår i någon av händelserna A eller B, eller bägge (område 1, 2 och 3 i Venndiagrammet i Figur 2.1). Händelsen A Figur 2.1. Ett Venndiagram med utfallsrum Ω och två händelser A och B. Hur område 1, 2, 3 och 4 (det som ligger utanför ringarna) uttrycks i termer av A och B beskrivs i texten. B, snittet av A och B, består däremot bara av utfallen som ingår i bägge händelserna (område 2 i Figur 2.1). För flera händelser A 1,..., A n består händelserna n i=1 A i och n i=1 A i på motsvarande sätt av de utfall som ingår i någon, respektive alla, A i -händelserna. EXEMPEL 2.1 (Årsdatum) Låt Ω = {1/1, 2/1,..., 31/1, 1/2,..., 31/12} vara dagarna på året under ett år utan skottår. Om vi låter A = {1/1,..., 30/6} vara det första halvåret medan B = {1/6,..., 31/8} vara dagarana i de tre sommarmånaderna blir A B = {1/1,..., 31/8}, dvs alla dagar i januari till augusti, medan A B = {1/6,..., 30/6} endast består av dagarna i juni. Definiera även A 1 = {1/1, 1/2,..., 1/12, dvs den första dagen i varje månaderna och

7 sida 3 # UTFALLSRUM OCH MÄNGDLÄRA 3 på motsvarande sätt A i = {i/1, i/12..., i/12} den i:te dagen i respektive månad, i = 1,..., 31. Då blir 5 i=1 A i = {1/1,..., 5/1, 1/2,..., 5/12} de första fem dagarna i respektive månad. Mängden 5 i=1 A i = (nedan förklaras beteckningen ) innehåller däremot inga utfall eftersom månadernas första dag inte har någon gemensam dag med månadernas andra dag osv. Ibland vill man betrakta komplementet till en händelse, och med detta menas de utfall som inte ingår i händelsen. Komplementet till händelsen A betecknas A c, läses som A-komplement, och består således av utfallen som inte finns i A, dvs. A c = {u Ω; u / A} (område 3 och 4 i Figur 2.1). En annan typ av händelse är A men inte B. Denna händelse har därför fått en egen beteckning, nämligen A \ B (område 1 i Figur 2.1). Egentligen är beteckningen överflödig eftersom A \ B = A B c, men den är trots detta praktisk att ha till hands. En speciell händelse är inget utfall vilket brukar betecknas med och kallas för tomma mängden. Till exempel gäller att Ω c =. Två händelser sägs vara oförenliga, eller disjunkta, om de inte har några gemensamma utfall (se Figur 2.2). För sådana par av händelser gäller att A B =. Slutligen definierar vi begreppet delmängd. En händelse A är en Figur 2.2. Ett utfallsrum Ω med två oförenliga (disjunkta) händelser A och B, dvs. A B =.

8 sida 4 # 8 4 KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER delmängd av händelsen B om alla utfall i A också ligger i B. Detta skrivs som A B. Det gäller för övrigt att A B om och endast om A B = A. Sammanfattningsvis gäller alltså: att A inte inträffar skrivs som A c, att minst en av A och B inträffar skrivs A B, att både A och B inträffar skrivs A B, att A men inte B inträffar skrivs A \ B. EXEMPEL 2.2 (Kortdragning) För slumpexperimentet att dra ett kort ur en kortlek består utfallsrummet av Ω = {S1,..., S13, H1,..., H13, K1,..., K13, R1,..., R13} där utfallet S1, betyder spader ess, utfallet H13 hjärter kung osv. Händelsen A = klöver omfattar således utfallen A = {K1,..., K13}, händelsen B = femma definieras av B = {S5, H5, K5, R5} och händelsen C = klädda kort (dvs. knekt, dam eller kung) omfattar C = {S11, S12, S13, H11,..., R13}. För dessa händelser gäller A B = {K1,..., K13, S5, H5, R5}, A B = {K5}, A c = {S1,..., S13, H1,..., H13, R1,..., R13} samt A \ B = {K1,..., K4, K6,... K13}. Händelserna B och C är oförenliga, ett kort kan ju inte vara en femma och klätt på samma gång, så B C =. EXEMPEL 2.3 (Temperaturmätning) Låt oss studera slumpexperimentet att man mäter temperaturen en viss tid på en viss plats. Här definieras utfallsrummet lämpligen som Ω = R, dvs. alla reella tal (där talen motsvararar temperaturen angiven i grader Celsius). Det är möjligt att snäva in utfallsrummet, t.ex. är det ju teoretiskt omöjligt att det är kallare än (Om det gäller utomhustemperatur i skuggan i Sverige kan man nog snäva in Ω ännu mer: kallare än -100 känns inte aktuellt och varmare än 50 dröjer väl ännu några år innan växthuseffekten ger upphov till men vi lämnar dessa justeringar därhän.) Om A = minusgrader gäller att A = (, 0), medan händelsen mellan 10 och 20 grader kallt blir B = ( 20, 10). För A gäller A c = [0, + ), dvs. plusgrader (om man räknar in 0 i plus ). Det gäller vidare att A B = (, 0) och A B = ( 20, 10). De två sistnämnda resultaten är en direkt följd av att B A vilket alltid medför att A B = A och A B = B.

9 sida 5 # UTFALLSRUM OCH MÄNGDLÄRA 5 Utfallsrum som har ändligt många, eller uppräkneligt oändligt många, utfall definierades tidigare som diskreta medan övriga kallas kontinuerliga. Utfallsrummet bestående av resultatet från en kortdragning i Exempel 2.2 är diskret, liksom t.ex. utfallsrummet som består av alla positiva heltal, medan utfallsrummet för temperaturen i Exempel 2.3 är kontinuerligt. Om kontinuerliga variabler endast uppmäts med förpreciserad noggrannhet, vilket nästan alltid är fallet, är emellertid även dylika utfallsrum diskreta. Om t.ex. temperaturen anges med en decimals noggrannhet blir utfallsrum Ω = {..., 0.2, 0.1, 0.0, 0.1, 0.2,...} vilket är ett diskret utfallsrum. ÖVNING 2.1 Betrakta utfallsrummet Ω bestående ett företags ekonomiska resultat (avrundat och mätt i tusentals kronor). Låt A beteckna händelsen att företaget gör ett positivt resultat. Låt B beteckna händelsen att företaget gör ett bättre resultat än föregående år då man gjorde ett vinstresultat på miljoner kronor. a) Definiera Ω, A och B. b) Bestäm A B och A B. c) Bestäm A c och A \ B. ÖVNING 2.2 En pilkastningstävling går till så att deltagarna får kasta tills de för första gången träffar bulls eye (den innersta lilla cirkeln på piltavlan). Den vinner som klarar detta på minst antal kast. Bestäm utfallsrummet av möjliga utfall, samt händelserna A att det sker efter högst 10 kast samt B att det sker på ett jämnt antal kast. a) Definiera Ω, A och B. b) Bestäm A B och A B. c) Bestäm A c och A \ B. ÖVNING 2.3 Betrakta årets dagar ett år som inte är skottår, t ex 2/9 och 31/7. a) Definiera utfallsrummet Ω. b) Bestäm händelsen S bestående av september månads dagar och O bestående av oktober månads dagar.

10 sida 6 # 10 6 KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER c) Bestäm V dagarna i stjärntecknet Vågen (Vågen inträffar mellan 24/9 och 23/10). d) Uttryck följande händelser i termer av S, O och V, samt i termer av de enskilda utfallen: september månads dagar då inte Vågens stjärntecken inträffar, dagarna i oktober då Vågen inträffar, dagarna då det är september eller Vågen inträffar. 2.2 Sannolikheter på utfallsrum Nu när vi preciserat vad som menas med utfallsrum ska vi definiera slumpförsök på sådana och sannolikheter på utfallsrum. Ett slumpförsök på ett utfallsrum består av ett försök som resulterar i ett av utfallen i utfallsrummet, och man kan på förhand inte veta exakt vilket av utfallen som kommer att inträffa. I stället beskrivs slumpförsöket genom att precisera sannolikheten för (alla) händelser i utfallsrummet. Sannolikheten för händelsen A brukar skrivas P (A) inspirerat av engelskans probability. Man ställer dock vissa krav på funktionen P ( ) för att den skall få kallas sannolikhetsfunktion. Följande högst rimliga krav på sannolikheter infördes av den ryske matematikern Andrei Kolmogorov ( ): DEFINITION 2.2 (KOLMOGOROVS AXIOMSYSTEM) En reell funktion, P, på händelser i utfallsrummet Ω är en sannolikhetsfunktion om den uppfyller följande tre villkor (axiom): 1. 0 P (A) 1 för alla händelser A Ω, 2. P (Ω) = 1, 3. om A B = så gäller P (A B) = P (A) + P (B). Om utfallsrummet är oändligt ersätts villkor 3 med 3. Om A 1, A 2,... är en oändlig följd av parvis oförenliga händelser (dvs. A i A j = för alla i j) så gäller P ( i=1 A i) = i=1 P (A i). ANMÄRKNING 2.1 I Axiom 1 räcker det att P (A) 0. Att P (A) 1 följer av de övriga axiomen, se Övning 2.10.

11 sida 7 # SANNOLIKHETER PÅ UTFALLSRUM 7 Alla tre villkoren i Kolmogorovs axiomsystem är självklara för alla utan att man reflekterat över det. Det första villkoret är en ren konvention någon som pratar om negativa sannolikheter eller sannolikheter större än 1 betraktas med rätta med skepsis. Även det andra villkoret är en konvention det har blivit praxis att den helt säkra händelsen, dvs. den som innehåller alla möjliga utfall, ges sannolikheten 1. Det tredje villkoret slutligen, säger att sannolikheten för två oförenliga händelser är lika med summan av sannolikheterna för var och en av händelserna. Förutsättningen att A och B skall vara oförenliga i villkor 3 är viktigt i annat fall gäller inte utsagan. Den vanligaste tolkningen av en sannolikhet, t.ex. P (A) = 0.3, är att om man upprepar slumpförsöket många gånger så kommer den relativa frekvensen för en händelse A ligga nära 0.3. Även för detta sätt att se på sannolikheter är utsagorna i Kolmogorovs axiomsystem självklara: den relativa frekvensen ligger ju alltid mellan 0 och 1, den relativa frekvensen för utfall i Ω är förstås 1 (alla utfall ligger ju i Ω så den relativa frekvensen av utfall i Ω blir 1). Slutligen blir den relativa frekvensen av unionen av oförenliga händelser lika med summan av de respektive relativa frekvenserna: inga utfall ingår ju i flera händelser, så antalet utfall i unionen blir lika med summan av antal utfall i respektive händelse. EXEMPEL 2.4 (Kortdragning, sannolikheter ) I Exempel 2.2 betraktades försöket att dra ett kort slumpmässigt ur en kortlek. Det betyder att varje kort, dvs. varje utfall, har samma sannolikhet 1/52. (Denna vanliga slumpstruktur kallas likformig sannolikhetsfördelning, och tas upp i Definition 2.3 i nästa avsnitt.) Sannolikheten för en händelse blir därför antalet utfall i händelsen dividerat med 52. I exemplet definierades händelserna A = klöver, B = femma och C = klädda. Genom att räkna antal utfall i respektive händelse inser man snabbt att P (A) = 13/52 = 1/4, P (B) = 4/52 = 1/13 och P (C) = 12/52 = 3/13. Vi konstaterade att händelserna B och C var oförenliga (B C = ). Således gäller P (B C) = P (B) + P (C) = 1/13 + 3/13 = 4/13. A B = klöver fem, så P (A B) = 1/52. Det är ofta klargörande att föreställa sig en sannolikhetsfunktion som att en enhet sannolikhetsmassa smetas ut över ett Venndiagram (t.ex. Figur 2.1, sidan 2). Värdet P (A) kan då ses som hur stor del av sannolikhetsmassan som ligger i händelsen A. Med denna tolkning är de tre villkoren i Kolmogorovs axiomsystem också självklara. Även följande sats är självklar med denna bildtolkning.

12 sida 8 # 12 8 KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER SATS 2.1 Låt A och B vara godtyckliga händelser i utfallsrummet Ω. Då gäller 1. P (A c ) = 1 P (A), 2. P ( ) = 0, 3. P (A B) = P (A) + P (B) P (A B). Det första resultatet säger att mängden sannolikhetsmassa utanför A är 1 (dvs. all sannolikhetsmassa) minus den som finns i A. Eftersom tomma mängden inte innehåller något utfall kan den ju inte ha någon sannolikhetsmassa, vilket är resultat 2. Om vi skall räkna ut hur mycket sannolikhetsmassa som finns i unionen av A och B kan vi göra detta genom att addera mängden sannolikhetsmassa som finns i A (område 1 och 2 i Figur 2.1) med mängden sannolikhetsmassa i B (område 2 och 3 i Figur 2.1 ). Vi ser då att vi räknat sannolikhetsmassan i område 2, dvs. P (A B), två gånger varför vi måste subtrahera detta tal. Man kan även visa resultaten i Sats 2.1 mer formellt från axiomsystemets villkor. Vi gör detta för det tredje resultatet och lämnar övriga två resultat som övningar. BEVIS, SATS 2.1, RESULTAT 3 Mängden A B kan skrivas som A (B \ A) där de två mängderna är oförenliga, dvs A (B \ A) =. Att så är fallet ses lätt i Figur 2.1 på sidan 2 där A utgör område 1 och 2 medan B \ A är område 3. Från tidigare vet vi att B \ A = B A c, så villkor 3 i Kolmogorovs axiomsystem ger oss att P (A B) = P (A) + P (B A c ). Vidare kan händelsen B delas upp i de två disjunkta delarna (B A) och (B A c ), så från samma villkor får vi att P (B) = P (B A)+P (B A c ), dvs. att P (B A c ) = P (B) P (B A). Om vi substituerar detta i föregående uttryck erhåller vi P (A B) = P (A) + P (B) P (B A), dvs. satsens tredje resultat. EXEMPEL 2.5 (Kortdragning, sannolikheter, forts.) Händelsen A betyder klöver vilket gör att A c betyder ej klöver och sannolikheten för denna blir enligt satsen 1 P (A) = 1 1/4 = 3/4.

13 sida 9 # SANNOLIKHETER PÅ UTFALLSRUM 9 Detta överensstämmer med det andra sättet att räkna ut denna sannolikhet, nämligen genom att räkna utfallen i icke-klöver som är 39 och dividera detta med 52. Sannolikheten för inget utfall blir förstås P ( ) = 0. Sannolikheten för händelsen A B, som alltså utgörs av utfallen med klöver och/eller siffran 5, blir enligt satsen P (A B) = P (A)+P (B) P (B A) = 1/4 + 1/13 1/52 = 4/13. Om vi i stället betraktar vilka utfall som ingår i A B är dessa A B = {K1,..., K13, S5, H5, R5} som består av 16 utfall, varför händelsen får sannolikheten 16/52 = 4/13 vilket alltså överensstämmer med det svar som satsen gav oss. ÖVNING 2.4 Betrakta försöket att kasta en vanlig tärning, dvs. där utfallsrummet är Ω = {1,..., 6} och alla utfall har samma sannolikhet, som alltså måste vara 1/6 vardera. Låt A vara händelsen att tärningen visar ett jämnt antal prickar och B vara händelsen att antalet prickar är delbart med 3. Ange vilka utfall som utgör händelserna A, B, A B och A B och beräkna motsvarande sannolikheter. ÖVNING 2.5 Antag att för ett slumpförsök med två händelser A och B gäller P (A) = 0.4, P (B) = 0.5 och P (A B) = 0.6. Beräkna P (A B). ÖVNING 2.6 I ett lotteri finns tre vinstlotter, högsta vinsten H vinner man med sannolikheten P (H) = 0.001, näst högsta vinsten N vinner man med sannolikhet P (N) = 0.01 och tredje priskategori T vinner man med sannolikheten P (T ) = 0.1. Bestäm sannolikheten för att överhuvud taget vinna, och sannolikheten att inte vinna (och således förlora satsat belopp). ÖVNING 2.7 Bevisa resultat 1 i Sats 2.1 utifrån Kolmogorovs axiomsystem, de s.k. sannolikhetsaxiomen. (L)

14 sida 10 # KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER ÖVNING 2.8 Bevisa resultat 2 i Sats 2.1 utifrån Kolmogorovs axiomsystem, de s.k. sannolikhetsaxiomen. ÖVNING 2.9 (Booles olikhet ) Bevisa Booles olikhet, dvs. att för två godtyckliga händelser A och B gäller P (A B) P (A) + P (B). ÖVNING 2.10 Visa att den högra olikheten, P (A) 1, i Axiom 1 följer av den vänstra olikheten, P (A) 0, och de övriga axiomen. (L) ÖVNING 2.11 (Stjärnor ) Antag att ett slumpexperiment består i att centrera ett stjärnkikarsikte mot en slumpvis vald stjärna. Låt A n, n = 1, 2,..., beteckna händelsen att man totalt i kikarsiktet ser exakt n stjärnor (eftersom kikarsiktet var centrerat mot en stjärna ser vi åtminstone en stjärna, dvs A 0 är inte aktuellt). Antag att P (A n ) = c/n 2 för någon konstant c. a) Bestäm c. (L) b) Beräkna sannolikheten för händelsen B = högst 3 stjärnor syns i kikarsiktet. c) Beräkna P (A c 1 ) och ange i ord vad händelsen innebär. ÖVNING 2.12 Visa att om A 1,..., A n är disjunkta händelser så gäller att P ( n i=1 A i) = n i=1 P (A i). (L) ÖVNING 2.13 Härled ett uttryck för P (A B C) liknande det i Sats 2.1, sidan 8, för P (A B). Härled även en allmän form för A 1 A 2, A n för n händelser A 1,..., A n. (L)

15 sida 11 # TOLKNING OCH EXEMPEL PÅ SANNOLIKHETER 11 ÖVNING 2.14 Formulera och visa Booles olikhet, se Övning 2.9, a) för tre händelser, (L) b) för n händelser, n 2. (L) 2.3 Tolkning och exempel på sannolikheter De tidigast förekommande sannolikheterna som studerades hade så kallad likformig sannolikhetsfördelning. DEFINITION 2.3 (LIKFORMIG SANNOLIKHETSFÖRDELNING) Ett slumpexperiment med ändligt utfallsrum säges ha likformig sannolikhetsfördelning om alla utfall har samma sannolikhet. ANMÄRKNING 2.2 Vi har redan stött på likformig sannolikhetsfördelning i exemplen med kortdragning (Exempel 2.4 och dess fortsättning Exempel 2.5). SATS 2.2 (KLASSISKA SANNOLIKHETSDEFINITIONEN) För ett slumpexperiment med likformig sannolikhetsfördelning gäller att sannolikheten för en händelse är lika med antalet utfall i händelsen dividerat med antalet händelser i utfallsrummet, dvs. antalet gynnsamma utfall dividerat med antalet möjliga utfall. Om händelsen A innehåller n(a) utfall och utfallsrummet totalt har n(ω) utfall gäller alltså att P (A) = n(a)/n(ω). ANMÄRKNING 2.3 Denna sats kallas klassiska sannolikhetsdefinitionen av historiska skäl. Man talade då inte om olika sannolikhetsfördelningar varför P (A) = n(a)/n(ω) kunde gälla som definition av sannolikheten för A. Numer finns många olika sannolikhetsfördelningar, som vi kommer se längre fram i boken, varför denna definition blir en följd av definitionen för likformig sannolikhetsfördelning.

16 sida 12 # KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER BEVIS Antag att det finns n utfall u 1,..., u n i utfallsrummet. Från Kolmogorovs sannolikhetsaxiom (Definition 2.2 på sidan 6) gäller att P (Ω) = 1, och från generaliseringen av Kolmogorovs tredje axiom (Övning 2.12) gäller P (Ω) = n i=1 P (u i). Eftersom alla P (u i ) är identiska vid likformig sannolikhetsfördelning måste således P (u i ) = 1/n. Om en händelse A innehåller k utfall blir således P (A) = i;u i A P (u i) = i;u i A n 1 = k/n, dvs antalet gynnsamma dividerat med antal utfall i utfallsrummet. EXEMPEL 2.6 (Slantsingling) Ett symmetriskt mynt singlas 3 gånger. De tre slantsinglingarna kan ge 8 olika resultat: Ω = {(kl, kl, kl), (kl, kl, kr), (kl, kr, kl), (kl, kr, kr), (kr, kl, kl), (kr, kl, kr), (kr, kr, kl), (kr, kr, kr)}. Eftersom sannolikheten för krona är lika med sannolikheten för klave (= 1/2) vid varje enskilt kast har de 8 utfallen samma sannolikhet, vilken alltså måste vara 1/8. Sannolikheten att det blir 2 klave kan man beräkna genom att se hur många av utfallen som ger två klave, vilket är 3 stycken: (kl, kl, kr), (kl, kr, kl) och (kr, kl, kl). Således blir sannolikheten för att få två klave 3/8. Tolkningen av påståendet ovan att sannolikheten att få två klave på tre slantsinglingar är 3/8 är nog uppenbar för de flesta. Nämligen att om man utför tre slantsinglingar många gånger, så bör andelen av dessa trippla slantsinglingar som gav upphov till just två klave vara ungefär 3/8. Detta är den s.k.frekvenstolkningen av sannolikheter. Frekvenstolkningen är också tillämpbar i många mer praktiska fall. Ett försäkringsbolag som bedömer att risken för att ett fritidshus brinner kommande år är tolkar detta som att om försäkringsbolaget tecknar 1000 försäkringskontrakt med liknande fritidshus bör i genomsnitt 3 av dessa brinna det kommande året. I andra sammanhang är det inte lika självklart hur man skall tolka uttalande om sannolikheter. Den vanligast förekommande tolkningen är nog den frekventistiska. För att ett sannolikhetspåstående skall kunna tolkas frekventistisk skall det vara så att, om ett slumpexperiment upprepas oberoende allt fler gånger, så kommer den relativa frekvensen för att händelsen inträffar att stabilisera sig vid sannolikheten för händelsen. Sannolikheten att få en sexa vid tärningskast är 1/6 just för att, om man gör många tärningskast så kom-

17 sida 13 # TOLKNING OCH EXEMPEL PÅ SANNOLIKHETER 13 mer andelen sexor ligga mycket nära 1/6 (om den inte gör det finns anledning att tro att tärningen inte är helt symmetrisk). I fallet med slantsingling, och för den delen kortdragning och många andra enklare slumpexperiment baseras de ofta ursprungligen på någon symmetri som man tar för givet, t.ex. att krona och klave har samma sannolikhet vid slantsingling eller att alla sidor på tärningen har samma sannolikhet att komma upp. Sådana sannolikheter brukar sägas vara axiomatiska, dvs sådana som tas för givet att de gäller (men som ibland kan bevisas statistiskt att inte gälla, mer om detta i Avsnitt??). Utifrån dylika axiomatiska sannolikheter kan erhålla s.k. beräknade sannolikheter, som t.ex. att sannolikheten att få två klavar på tre slantsinglingar är 3/8. Beräknade sannolikheter förekommer inte sällan i olika riskbedömningar. Om t.ex. Statens kärnkraftsinspektion gör bedömingen att risken för en allvarlig olycka vid en given kärnkraftreaktor under ett år är approximativt 10 8, så baseras detta på avancerade beräkningar (ibland involverande även simuleringar) som baseras på ett antal givna förutsättningar. Dessa förutsättningar, som att ett rör springer läck med sannolikheten 0.01 eller att en elledning går av med sannolikheten 0.005, är i sin tur axiomatiska sannolikheter i sammanhanget, förhoppningsvis väl underbyggda med empiri vilka då även kan kallas skattade sannolikheter. När (axiomatiska eller beräknade) är väldigt små, vilket ofta gäller vid riskberäkningar, är den frekventistiska sannolikheten inte lika lätt att tolka. Man kan förvisso i princip föreställa sig att man har 10 8 identiska kärnkraftreaktorer och att då i genomsnitt en bör ha en allvarlig olycka, men det känns ofta svårare att bilda sig en uppfattningen om sådana sannolikheter. När det gäller små sannolikheter är det ofta mer fruktbart att relatera olika sannolikheter. Om två i övrigt likvärdiga kärnkraftreaktorer beräknas ha risk för en allvarlig olycka 10 8 respektive 10 7 är ju förstås den förra att föredra eftersom denna löper 10 gånger mindre risk för allvarliga olyckor. Det är inte alltid möjligt att tänka sig att upprepa ett försök många gånger. En som tror att The Ark vinner Eurovisionsschlagerfestivalen med sannolikhet 0.33 tänker nog inte att om tävlingen upprepades många gånger så skulle The Ark vinna var tredje tävling. Här har man att göra med (mer eller mindre väl underbyggda) subjektiva sannolikheter. Ofta kan dessa tolkas i termer av odds. Personen som säger att The Ark har 1/3 chans att vinna Eurovisionsschlagerfestivalen bör anse att det korrekta oddset om man satser pengar (på att The Ark vinner) är 3 till 1, dvs att man får tillbaka 3 gånger satsat belopp vid vinst och inget vid förlust. Som sammanfattning kan man alltså säga att sannolikheter grovt sett kan tolkas antingen som frekventistiska eller subjektiva. Deras numeriska värde

18 sida 14 # KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER kan i sin tur erhållas antingen axiomatiskt eller beräknas (från andra axiomatiska sannolikheter). Det förekommer även situationer där de numeriska värdena baseras på empiriska studier då man talar om skattade, eller estimerade sannolikheter. Hur man erhåller skattade sannolikheter tas upp mer i Kapitel?? Träddiagram Ett praktiskt sätt att åskådliggöra slumpexperiment, speciellt från diskreta utfallsrum, är genom att använda sig av s.k. träddiagram. Oftast ritas träddiagram från vänster till höger, och från startpunkten till vänster ritas de möjliga utfallen ut genom kanter åt höger. På respektive kant skriver man ut sannolikheten för utfallet (se Figur 2.3). Om man vill beräkna sannolikheten för 1/6 1/6 1/6 1/6 1/6 1/ Figur 2.3. Träddiagram för slumpexperimentet att kasta en tärning. Utfallen (= antal prickar) står till höger och sannolikheterna för respektive utfall anges vid respektive kant. en händelse, dvs. sannolikheten för en viss mängd av utfall, kan denna lätt beräknas med summaregeln: SATS 2.3 (SUMMAREGELN (FÖR DISKRETA UTFALLSRUM)) Sannolikheten för en händelse är lika med summan av sannolikheterna för utfallen i händelsen.

19 sida 15 # TOLKNING OCH EXEMPEL PÅ SANNOLIKHETER 15 Från träddiagrammet i Figur 2.3 ser man t.ex. att sannolikheten för att få minst 5 prickar vid kast med tärning är lika med sannolikheten att få 5 prickar plus sannolikheten att få sex prickar, som blir 1/6 + 1/6 = 1/3. Vi återkommer till träddiagram längre fram då ett slumpexperiment sker i flera steg då det kommer till stor användning. ÖVNING 2.15 Marie går i en skolklass med 31 elever (17 flickor och 14 pojkar). En person lottas slumpmässigt (likformigt) från klasslistan. Vad är sannolikheten att det blir Marie respektive sannolikheten att det blir en flicka? ÖVNING 2.16 Avgör om följande sannolikheter främst bör tolkas frekventistisk eller subjektivt. a) Sannolikheten att det regnar under en godtycklig dag i juli i Jokkmokk är b) Djurgården vinner allsvenskan med sannolikheten 1/3. c) En viss kemisk process överhettas med sannolikheten ÖVNING 2.17 Bedöm om följande sannolikheter främst bör tolkas frekventistisk eller subjektivt,verkar vara axiomatiska, beräknade eller skattade. a) Ett häftstift som kastas på ett på bord hamnar med spetsen upp med sannolikheten b) Sannolikheten att personen du sitter bredvid på på bussen fyller år idag är 1/365. c) Sannolikheten att få fyrtal på första given (fyra av samma valör när man får 5 spelkort) är 624/ ÖVNING 2.18 Rita ett träddiagram för slumpexperimentet som består i att man köper en lott från ett lotteri där chansen för högvinst är 1/500 och chansen för lågvinst är 1/10; resterande lotter ger ingen vinst alls, s.k. nitlotter. Beräkna även chansen för att man vinner över huvud taget med hjälp av summaregeln.

20 sida 16 # KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER 2.4 Kombinatorik I Exempel 2.6 visades att det fanns tre olika sätt på vilket man kunde få två klave på tre försök, dvs. det var tre sätt på vilket de två klavesinglingarna kunde väljas ut bland de tre slantsinglingarna. Vi ska nu reda ut på hur många sätt man kan göra olika val. Vårt första steg i den riktningen är den s.k. multiplikationsprincipen. Den säger att om vi har två val att göra, och i första valet har j alternativ och i andra valet har k alternativ så finns det totalt j k kombinationer av val att göra. En annan typ av val man ofta stöter på i sannolikhetsteori och annan matematik är s.k. val utan återläggning. Det handlar då om att beräkna hur många gånger man kan välja ut k element bland n element (i Exempel 2.6 var k = 2, n = 3 och det som valdes var positionerna bland de tre kasten där man fick klave). Svaret beror på om vi tar hänsyn till i vilken ordning de k elementen väljs ut eller inte. Om man tar hänsyn till ordningen i vilket de k elementen väljs ut kan man enligt multiplikationsprincipen välja det första elementet på n sätt, det andra kan man därefter välja på n 1 och så vidare fram till det k:te som kan väljas på n k + 1 sätt. Totalt kan detta således ske på n(n 1) (n k + 1) sätt. Oftare är man dock inte intresserad av i vilken ordning de k elementen har valts utan bara vilka element som valts. Om vi har valt ut k element kan detta ha skett i ett antal olika ordningsföljder. Det först utvalda kan ha varit vilket som helst av de k elementen, det därpå följande utvalda kan ha varit vilket som helst av de k 1 återstående, osv. Det finns således k(k 1) 1 olika ordningsföljder som kan ha givit de k utvalda elementen. Denna produkt skrivs ofta som k! = k(k 1) 1 och utläses k-fakultet (t.ex. är 4! = = 24). För talet noll måste man införa en separat definition som är 0! = 1 (man kan argumentera för att detta är den naturliga definition men vi går inte vidare in på detta). Vill man inte ta hänsyn till ordningsföljden ger alla dessa k! ordningsföljder samma k utvalda element. Slutsatsen är således att antalet sätt med vilket man kan välja ut k element bland n, utan hänsyn till ordning, är lika med n(n 1) (n k + 1)/k! vilket är detsamma som n!/(k!(n k)!). Eftersom detta ( är ett vanligt förekommande begrepp har det fått en egen beteckning, n ) k som läses n över k och kallas för en binomialkoefficient. På engelska läses detta n choose k vilket bättre beskriver vad binomialkoefficienten innebär. Av samma skäl hade kanske n välj k varit en bättre utläsning av notationen, men n över k är redan etablerat. Vi formulerar resultaten ovan i en sats.

21 sida 17 # KOMBINATORIK 17 SATS Om vi har två val att göra, och i första valet har j alternativ och i andra valet har k alternativ så finns det totalt j k kombinationer av val att göra. 2. Antalet sätt att ordna n element är lika med n! = n(n 1)(n 2) Antalet sätt att välja ut k element bland n (n k 0) utan hänsyn till ordning ges av binomialkoefficienten ( ) n k = n! k!(n k)! n(n 1) (n k + 1) =. k! Ett snyggt sätt att illustrera binomialkoefficienterna upptäcktes av den franske matematikern Blaise Pascal och kallas därför Pascals triangel, se Figur 2.4. Talen i figuren erhålls genom att skriva ettor nedåt längs kanterna Figur 2.4. De första 6 raderna av Pascals triangel. och därefter fylla i de inre elementen uppifrån genom att på varje plats skriva in summan av de två elementen snett ovanför (till höger respektive vänster). T.ex. blir den femte radens tredje tal 6 eftersom talen snett ovanför är 3 respektive 3 vilket summerat blir 6. Från tabellen får man binomialkoefficienterna på följande sätt. Om vi t.ex. vill se hur stort ( 4 2) är går vi till 4+1=5:e

22 sida 18 # KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER raden ovanifrån (n=0 har en egen rad) och går till den 2+1=3:e (k = 0 har en egen position) positionen från vänster. Där ser vi att det står 6, så ( 4 2) = 6. EXEMPEL 2.7 (Lotto) Spelet Lotto går ut på att 6 bollar dras slumpmässigt ur en urna innehållande 36 bollar numrerade från 1 till 36 (vi bortser från tilläggsnummer). Den erhållna lottoraden ges av numren på de dragna bollarna och den presenteras i växande ordning oavsett ordningen i vilken bollarna drogs. Antalet möjliga rader är således ( 36) 6 = /6! = Om varje uppsättning bollar, dvs. varje möjlig rad, har samma sannolikhet betyder det att sannolikheten att få alla rätt på Lotto 1/ om man tippar en rad. ÖVNING 2.19 En reklamförsäljare som ringer upp presumtiva kunder väljer telefonnummer med hjälp av en slumptalsgenerator som slumpar nya nummer oberoende av varandra. Vi antar för enkelhets skull att alla telefonnummer är sexsiffriga och att slumptalsgeneratorn väljer första siffran bland 1 9 (dvs. 0 kan inte väljas). a) Vad är sannolikheten att telefonnumret slutar på 0? b) Vad är sannolikheten att två på varandra slumpade nummer har samma startsiffra? ÖVNING 2.20 För att undvika att interner blir alltför nära vänner grupperas de ofta olika vid olika tillfällen. På hur många sätt kan man dela in 6 fångar i a) två lika stora grupper? b) två grupper (av samma eller olika storlekar)? ÖVNING 2.21 Vid en gruppuppgift i högskolan skall 8 studenter delas in i två lika stora grupper. a) På hur många sätt kan detta ske?

23 sida 19 # BETINGNING OCH OBEROENDE 19 b) Antag att man även vid nästa lektionstillfälle gör en ny gruppindelning helt slumpmässigt och oberoende av gruppindelningen gången innan. Vad är sannolikheten att du som student har samma tre studenter i gruppen bägge gångerna? Vad är sannolikheten att det blir två studenter från förra gruppen, en från förra gruppen, respektive ingen student från förra gruppen? ÖVNING 2.22 Bevisa likheten ( n) ( k = n 1 ) ( k 1 + n 1 ) k. (L) 2.5 Betingning och oberoende Vi ska nu presentera de två viktiga begreppen betingning och oberoende som bägge rör (minst) två händelser. Ibland är man intresserad av sannolikheten för en viss händelse B betingat av att man vet att en annan händelse A har inträffat. Detta skrivs som P (B A) och läses som sannolikheten för B betingat av (eller givet) att A har inträffat. EXEMPEL 2.8 (Kortdragning) Antag att vi skall dra två kort från en kortlek, och låt A vara händelsen att första kortet är ett ess och B händelsen att andra kortet är ett ess. Då är P (B A) = 3/51 eftersom, om första kortet blev ett ess vilket ju var händelsen A som vi betingar på, det finns 51 kort kvar vid andra dragningen varav 3 är ess. Nedan följer en definition av betingad sannolikhet i termer av redan kända begrepp. Låt oss först motivera definitionen. Vi vet alltså att A har inträffat och undrar vad den därav betingade sannolikheten för att B skall inträffa är (vi antar även att P (A) > 0)). Denna sannolikhet måste ju vara större ju mer av händelsen A som finns i B. Om t.ex. A och B är oförenliga, dvs. A B = och således P (A B) = 0, så måste vi ju ha P (B A) = 0. Om å andra sidan hela A finns i B, dvs A B = A och P (A B) = P (A), så skall det gälla att P (B A) = 1 eftersom B måste inträffa om A inträffar. Definitionen nedan uppfyller dessa krav.

24 sida 20 # KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER DEFINITION 2.4 (BETINGAD SANNOLIKHET) Antag att för händelen A gäller P (A) > 0. Den betingade sannolikheten för händelsen B, betingat av att A har inträffat, skrivs P (B A) och definieras som P (B A) P (B A) :=. P (A) EXEMPEL 2.9 (EU-inställning) Vid en opinionsmätning ställs två frågor: Vill Du ha en folkomröstning om EU:s nya grundlag? respektive Stödjer Du EU:s nya grundlag?. Andelen som vill ha folkomröstning visar sig vara 37% och andelen som vill ha folkomröstning och samtidigt stöder EU:s nya grundlag är 9%. Förutsatt att opinionsmätningen är representativ betyder detta att om man väljer en individ slumpmässigt ur befolkningen och den visar sig vara positiv till folkomröstning så är den därav betingade sannolikheten att individen är positiv till EU:s nya grundlag lika med P (E F ) = P (E F )/P (F ) = 0.09/0.37 = 0.24, där E är händelsen att individen är positivt till EU:s nya grundlag och F händelsen att personen är positiv till att ha folkomröstning. EXEMPEL 2.10 (Fortkörning) Vid en hastighetskontroll vid en skola visar det sig att 30% av fordonen överskrider tillåten hastighet och att 4% överskrider tillåten hastighet med mer än 30 km/h (vilket resulterar i indraget körkort). Om vi låter A vara händelsen att ett fordon körs för fort och B händelsen att man kör mer än 30 km/h för fort får man således att sannolikheten för att en fortkörning resulterar i indraget körkort till P (B A) = P (B A)/P (A) = P (B)/P (A) = 0.04/0.3 = Observera här att händelsen B ligger inuti händelsen A, vilket skrivs som B A (kör man mer än 30 km/h för fort så kör man ju för fort) så B A = B och P (B A) = P (B). Betingade sannolikheter dyker upp på ett naturligt sätt i träddiagram med slumpexperiment i flera steg. Om vi t.ex. först tänker oss att ett slumpexperiment avgör om A eller dess komplement A c inträffar, och därefter att ett experiment avgör om B inträffar eller ej, då kan detta illustreras med ett

25 sida 21 # BETINGNING OCH OBEROENDE 21 träddiagram där betingade sannolikheter dyker upp. Låt som i Exempel 2.8 försöket bestå i att dra två kort ur en kortlek och A beteckna händelsen att det första kortet är ett ess och B händelsen att det andra kortet är ett ess (se Figur 2.5). P (A) blir 4/52 eftersom vi drar ett kort på måfå och det finns 4 ess bland 3/51 B 4/52 A 48/51 B c 48/52 A c 4/51 47/51 B B c 1:a 2:a Figur 2.5. Träddiagram för försöket att dra två kort efter varandra (utan återläggning). A är händelsen att 1:a kortet är ett ess och B händelsen att 2:a kortet är ett ess. 52 kort. Om vi vet att vi fick ett ess i första dragningen så är sannolikheten att få ett ess i andra 3/51 eftersom det finns 3 ess kvar bland 51 kort, dvs. P (B A) = 3/51. Om vi å andra sidan inte fick ett ess i första dragningen (dvs. A c har inträffat) så är sannolikheten att få ett ess i andra dragningen P (B A c ) = 4/51. Sannolikheten för att både händelse A och händelse B inträffar (dvs. P (A B)) blir produkten av sannolikheterna längs respektive väg, dvs. P (A)P (B A) = 4/52 3/51 = 1/ Detta följer förvisso av definitionen för betingad sannolikhet, men vi formulerar det ändå som en sats för träddiagram.

26 sida 22 # KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER SATS 2.5 (PRODUKTREGELN) I ett träddiagram med flera nivåer ges sannolikheten för en väg av produkten av sannolikheterna längs vägen. Slutligen, sannolikheten att andra kortet är ett ess, dvs. P (B), är inte lika självklar vad den skall vara. Händelsen B kan ju inträffa antingen i kombination med att A inträffar eller att A c inträffar. Sannolikheten P (A B) har vi redan räknat ut och P (A c B) blir på motsvarande sätt P (A c )P (B A c ). Vi utnyttjar så summaregeln för att komma fram till att P (B) = P (A)P (B A) + P (A c )P (B A c ) = 4/52 3/ /52 4/51. Denna relation gäller i allmänhet och inte bara för detta exempel. Motsvarande relation om man delar upp utfallsrummet i godtyckligt många delar, i stället för bara A och A c som här, gäller också och kallas för lagen om total sannolikhet, se Sats 2.6 längre fram på sidan 25. När man är intresserad av sannolikheter för flera olika händelser i ett slumpexperiment är det ofta av intresse om händelserna beror av varandra. Om de inte gör det sägs händelserna vara oberoende, ett begrepp vi nu skall definiera. I vardagligt tal tolkar man uttrycket att två händelser sker oberoende av varandra som att händelserna inte har med varandra att göra, dvs. att vetskapen om att den ena händelsen inträffat inte påverkar vad vi tror om den andra händelsen. EXEMPEL 2.11 (Lotto och regn i Peru) Betrakta händelserna L =att vinna på Lotto en viss dag, och R = att det regnar i Peru samma dag. Dessa händelser har uppenbarligen inget med varandra att göra varför vi säger att de är oberoende. Med detta menar vi att sannolikheten att vinna på Lotto är densamma densamma vare sig det regnar i Peru eller ej, och omvänt att sannolikheten för regn i Peru är densamma vare sig vi vinner på Lotto eller ej. Det betyder alltså att P (L R) = P (L) och P (R L) = P (R). Detta exempel motiverar följande definition av oberoende. DEFINITION 2.5 (OBEROENDE HÄNDELSER) Två händelser A och B är oberoende om P (A B) = P (A) förutsatt att P (B) > 0, och P (B A) = P (B) förutsatt att P (A) > 0.

27 sida 23 # BETINGNING OCH OBEROENDE 23 ANMÄRKNING 2.4 Av definitionen följer att om A och B är oberoende så är även A och B c, A c och B samt A c och B c oberoende. Beviset av detta överlåter vi till läsaren (Övning 2.24). Man kan även definiera oberoende utan att använda sig av betingade sannolikheter vilket dock inte lika tydligt stämmer med vardagligt bruk av ordet oberoende. Matematiskt blir definition något enklare eftersom man inte behöver förutsätta att vissa sannolikheter är större än noll, vilket gjordes ovan beroende på att betingade sannolikheter definieras som ett bråk vilket förutsätter att nämnaren är positiv. DEFINITION 2.6 (ALTERNATIV DEFINITION: OBEROENDE HÄNDELSER) Två händelser A och B är oberoende om P (A B) = P (A)P (B). ANMÄRKNING 2.5 Under förutsättning att händelserna ifråga har positiv sannolikhet är denna definition ekvivalent med den ursprungliga. Förutsatt att händelserna är oberoende enligt den alternativa definition får vi nämligen att P (A B) = P (A B)/P (B) = P (A)P (B)/P (B) = P (A). Den omvända relation visas analogt. ANMÄRKNING 2.6 En mängd händelser A 1, A 2,... sägs vara parvis oberoende om för alla par i j gäller att P (A i A j ) = P (A i )P (A j ). Mängden händelser sägs vara fullständigt oberoende om det för alla distinkta delmängder {A i1,..., A ik } med i 1 < < i k gäller att P (A i1 A ik ) = P (A i1 )... P (A ik ). Motsvarande definitioner kan även göras med betingade sannolikheter om händelserna antas ha positiv sannolikhet. Att händelser kan vara parvis oberoende utan att vara fullständigt oberoende visas med följande exempel.

28 sida 24 # KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER EXEMPEL 2.12 (Parvis men inte fullständigt oberoende) Betrakta försöket att kasta två tärningar, en röd och en svart. Låt A vara händelsen att den röda tärningen visar udda antal prickar, B händelsen att den svarta tärningen visar udda antal prickar, och slutligen C händelsen att summan blir udda. Om bägge tärningarna visar udda blir ju summan jämn, så P (A B C) = 0. Eftersom de tre händelserna var och en har positiv sannolikhet blir produkten av sannolikheterna positiv, P (A)P (B)P (C) > 0, så händelserna är uppenbarligen inte fullständigt oberoende. De är emellertid parvis oberoende vilket vi nu skall visa. Händelserna A och B är ju uppenbart oberoende eftersom de två tärningarnas utfall ej beror av varandra, dvs P (A B) = P (A)P (B) = 3/6 3/6 = 1/4. Vi beräknar nu P (C A) = P (C A)P (A). Denna blir ju lika med P (C)P (A) om vi kan visa att P (C AA) = P (C), dvs att sannolikheten för att summan är udda betingat på att den röda tärningen visar udda antal prickar är densamma som den obetingade sannolikheten att summan är udda. Men om den röda visar udda antal prickar blir summan jämn om den svarta visar jämt antal prickar, alltså sker detta med sannolikhet 3/6=1/2. Vad är då den obetingade sannolikheten att summan blir udda, dvs P (C)? Totalt kan den röda och svarta träningen resultera i 36 olika utfall: (1, 1), (1, 2),..., (1, 6), (2, 1),..., (6, 6), och alla utfall har samma sannolikhet 1/36. Man kan lätt förvissa sig om att 18 av utfallen resulterar i udda antal prickar (t.ex. ser man att för varje utfall av röda tärningen har 3 av 6 utfall udda summa) vilket implicerar att P (C) = 18/36 = 1/2. Vi har därmed visat att P (C A) = P (C)P (A) och P (C B) = P (C)P (B) visas helt analogt färgen på tärning spelar ingen roll. Således är de tre händelserna parvis oberoende men inte fullständigt oberoende. Ett vanligt fall av oberoende händelser är om ett slumpförsök upprepas, men där utfallen inte har med varandra att göra. Om man t.ex. mäter blodtrycket på två slumpvis valda patienter eller om man mäter flyghastigheten hos två starar som inte flyger tillsammans kan utfallen av de två blodtrycken anses oberoende, liksom även stararnas hastigheter. Händelser förknippade med olika upprepningar av respektive försök blir då oberoende. EXEMPEL 2.13 (Färgblindhet och diabetes) En stor medicinsk studie slår fast att förekomsten av färgblindhet (F ) är oberoende av diabetes (D). Om andelen färgblinda i populationen är P (F ) = och andelen diabetiker är P (D) = 0.02, betyder det att andelen färgblinda bland diabetikerna är lika med P (F D) = P (F ) =

29 sida 25 # BETINGNING OCH OBEROENDE och att andelen med bägge symptomen är lika med P (D F ) = P (D)P (F ) = ANMÄRKNING 2.7 (Oberoende är inte samma sak som oförenliga!) Det händer ofta att begreppen oberoende och oförenliga blandas samman. Dessa betyder emellertid helt olika saker och är snarare varandras motsats. Två händelser är oförenliga (disjunkta) om A B =, medan A och B är oberoende om P (B A) = P (B). I det förra fallet är A och B inte oberoende ty P (B A) = P (B A)/P (A) = 0/P (A) = 0, alltså inte lika med P (B) Lagen om total sannolikhet Ibland kan det vara svårt att räkna ut en sannolikhet medan den skulle ha varit lättare att beräkna om man haft någon ytterligare information. Man kan då använda sig av lagen om total sannolikhet. SATS 2.6 (LAGEN OM TOTAL SANNOLIKHET) Låt A 1,... A n vara oförenliga händelser sådana att P (A i ) > 0, i = 1,... n, och anta att händelserna tillsammans utgöra hela utfallsrummet (dvs. A i A j =, i j, och n i=1 A i = Ω). Då gäller P (B) = n P (B A i )P (A i ). i=1 BEVIS Från satsens förutsättningar gäller att B = n i=1 (B A i), vi delar helt enkelt upp händelsen B beroende på vilken A i -händelse utfallen ligger i. Eftersom A i -mängderna är oförenliga är även de mindre mängderna B A i oförenliga. Vi kan då applicera punkt 3 i Kolmogorovs axiomsystem (Definition 2.2, sidan 6), dvs. P (B) = P ( n i=1 (B A i)) = n i=1 P (B A i). Slutligen ger definitionen för betingad sannolikhet att P (B A i ) = P (B A i )P (A i ) varmed satsen är bevisad.

30 sida 26 # KAPITEL 2 SANNOLIKHETSTEORINS GRUNDER Om vi i Figur 2.5 på sidan 21 vill beräkna sannolikheten att andra kortet blir ett ess, dvs. P (B), så ser vi att man kan nå B på två sätt, antingen genom att A (dvs. första kortet blir ett ess) inträffar och därefter B, eller att A c inträffar (dvs. första kortet blir inte ess) och därefter B. Sannolikheterna för dessa två varianter blir 4/52 3/51 respektive 48/52 4/51 vilket tillsammans blir 4/52. Vid närmare eftertanke är det inte så konstigt att sannolikheten att få ett ess i andra dragningen är densamma som i första så länge vi inte känner till vilket kort som drogs först. Om sannolikheten t.ex. vore större att få ess andra gången kunde man ju i så fall bara flytta på det översta kortet i leken utan att titta på det, och därefter ha förhöjd sannolikhet att få ess när man drog andra kortet. EXEMPEL 2.14 (TBC-test ) Antag att förekomsten av TBC-smitta i en viss delbefolkning är 20%. Det snabbtest man kan utföra för att testa förekomst av TBC-smitta är inte perfekt. Sensitiviteten, dvs. sannolikheten att en smittad person ger ett positivt test (vilket man vill) är 0.9 (och 0.1 att det blir negativt utslag), medan specificiteten, dvs. sannolikheten att en icke-smittad ger ett negativt test (vilket man också vill) är 0.7 (och 0.3 att det blir positivt utslag). Sannolikheten att en slumpvis utvald person ger ett positivt test kan då erhållas med hjälp av lagen om total sannolikhet. Låt + beteckna händelsen att personen testar positivt, och - beteckna händelsen att personen testar negativt, och låt S vara händelsen att personen verkligen är smittad av TBC. De storheter som givits är då P (S) = 0.2, P (+ S) = 0.9, P ( S) = 0.1, P ( S c ) = 0.7 och P (+ S c ) = 0.3: Sannolikheten att vara smittad är 0.2, sannolikheten att testet ger positivt utslag hos smittade är 0.9, och att testet visar negativt bland icke-smittade har sannolikhet 0.7. Det gäller vidare att P (S c ) = 1 P (S) = 0.8. Den eftersökta sannolikheten att en slumpvis vald person testar positivt, dvs. P (+), blir därför enligt lagen om total sannolikhet P (+) = P (+ S)P (S) + P (+ S c )P (S c ) = = I detta exempel har vi använt oss av att betingade sannolikheter också uppfyller kriterierna för att vara sannolikhetsmått t.ex. sa vi att eftersom P (+ S) = 0.9 så måste P ( S) = 0.1. Att så är fallet visas mer stringent i Avsnitt 2.6.